La guía de campo
66 términos esenciales sobre web scraping, agentes de IA, el Model Context Protocol y la extracción de datos.
66términos
4guías
01Guías
Explora por categoría
01 · Web Scraping
Términos de Web Scraping
Los 19 conceptos básicos detrás de la descarga, el renderizado y el análisis de páginas web: desde robots.txt y los límites de tasa hasta los navegadores headless, la detección de bots y los proxies.
1919 términos
02 · IA / MCP
Términos de IA y MCP
Los 19 términos que conectan los modelos de lenguaje con datos web en tiempo real: tokens, embeddings, llamada a funciones, herramientas MCP, API de búsqueda y el protocolo que los une.
1919 términos
03 · Datos
Términos de datos y API
Los 14 formatos y protocolos que mueven los datos extraídos entre sistemas: REST y JSON, webhooks, API de SERP, el estado incrustado de la página y el marcado que leen los buscadores.
1414 términos
04 · Industria
Términos del sector de datos web
Los 14 términos de negocio detrás del trabajo con datos web: scraping gestionado, precios basados en credits, datos en tiempo real, monitoreo de precios, enriquecimiento de leads y gobernanza.
1414 términos
02A–Z
Todos los términos de la A a la Z
A
Agente de IAUn agente de IA es un sistema autónomo impulsado por un gran modelo de lenguaje que puede razonar sobre tareas, tomar decisiones y ejecutar acciones mediante el uso de herramientas. Los agentes van más allá de los simples chatbots al planificar y ejecutar flujos de trabajo de varios pasos.IA / MCPAgente de navegadorUn agente de navegador es un sistema de IA que maneja un navegador web real: observa una página y luego hace clic, escribe y se desplaza para completar una tarea como lo haría una persona.IA / MCPAnálisis de HTMLEl análisis de HTML es el proceso de analizar el marcado HTML para extraer su estructura y contenido. Los analizadores convierten las cadenas de HTML sin procesar en estructuras de árbol navegables que los programas pueden consultar y manipular.DatosAnálisis del DOMEl análisis del DOM es el proceso de convertir HTML sin procesar en un árbol estructurado del Document Object Model. Esta representación en árbol permite a los programas navegar y extraer elementos específicos de una página web.Web ScrapingAPI de búsqueda para IAUna API de búsqueda web para agentes de IA devuelve los resultados de búsqueda como datos estructurados, como títulos, URL y fragmentos, para que un modelo pueda encontrar páginas actuales antes de leerlas.IA / MCPAPI de SERPUna API de SERP devuelve la página de resultados de un buscador como datos estructurados, incluidos la posición, el título y la URL de cada resultado, para que las posiciones se puedan seguir y analizar desde código.DatosAPI de web scrapingUna API de web scraping es un servicio alojado que obtiene una página web bajo petición y devuelve su contenido como datos limpios, para que no tengas que ejecutar tus propios navegadores ni analizadores.Web ScrapingAuditoría SEOUna auditoría SEO es un análisis exhaustivo del rendimiento de optimización para motores de búsqueda de un sitio web. Evalúa el SEO técnico, el contenido en la página, los metadatos, la estructura del sitio e identifica oportunidades de mejora.Industria
B
C
Cabeceras HTTPLas cabeceras HTTP son pares clave-valor enviados con las peticiones y respuestas HTTP que aportan metadatos sobre la comunicación. En el scraping, cabeceras como User-Agent, Accept y Cookie son fundamentales para que las peticiones tengan éxito.Web ScrapingCalidad de datosLa calidad de datos mide hasta qué punto un conjunto de datos cumple los requisitos del uso para el que está previsto. Las dimensiones clave incluyen la exactitud, la integridad, la coherencia, la actualidad y la validez de los datos.IndustriaContenido dinámicoEl contenido dinámico es contenido web que se carga o genera mediante JavaScript después de la carga inicial de la página. Esto incluye las aplicaciones de una sola página, los datos cargados por AJAX y el contenido renderizado del lado del cliente.Web Scraping
D
Datos estructuradosLos datos estructurados son información organizada en un formato predefinido que facilita su análisis y comprensión por parte de las máquinas. En la web, normalmente se refiere al marcado de schema.org incrustado en las páginas HTML.DatosDatos listos para LLMLos datos listos para LLM son contenido web convertido a un formato limpio que un modelo de lenguaje puede usar directamente, normalmente markdown o JSON, sin la navegación, los anuncios ni el marcado.IA / MCPDatos webLos datos web son cualquier información accesible públicamente en internet. Incluyen el contenido de sitios web, las publicaciones en redes sociales, las API públicas, los registros gubernamentales y cualquier otro dato disponible a través de los protocolos web.IndustriaDatos web en tiempo realLos datos web en tiempo real son información obtenida de la web en vivo en el momento en que se necesita, en lugar de leerse de un conjunto de datos almacenado o de los datos de entrenamiento de un modelo.IndustriaDetección de botsLos sitios web detectan a los scrapers puntuando señales como la frecuencia de peticiones, la reputación de la IP, la huella digital del navegador y el comportamiento de JavaScript, y luego bloquean o desafían el tráfico que parece automatizado.Web Scraping
E
EmbeddingsLos embeddings son representaciones vectoriales numéricas densas de texto, imágenes u otros datos. Capturan el significado semántico en un formato que permite la búsqueda por similitud, el agrupamiento y otras operaciones de aprendizaje automático.IA / MCPEndpoint de APIUn endpoint de API es una URL específica donde una API recibe peticiones. Cada endpoint realiza una función concreta, como recuperar datos, crear registros o desencadenar acciones.DatosEnriquecimiento de leadsEl enriquecimiento de leads es el proceso de complementar la información básica de un lead con puntos de datos adicionales como el tamaño de la empresa, el sector, el stack tecnológico y los perfiles sociales. Ayuda a los equipos de ventas a priorizar y personalizar su alcance.IndustriaEstado incrustado de la páginaEl estado incrustado de la página son los datos JSON que un sitio web incluye dentro de su propio HTML, como __NEXT_DATA__ de Next.js o un store de Redux, y que el JavaScript de la página lee para renderizarse.DatosETL (Extraer, Transformar, Cargar)ETL es un proceso de integración de datos que extrae datos de las fuentes, los transforma en un formato adecuado y los carga en un sistema de destino. Es el enfoque estándar para mover datos entre sistemas.IndustriaExtracción basada en esquemasLa extracción de datos basada en esquemas obtiene campos concretos de una página web en una estructura que defines de antemano, normalmente un JSON Schema, para que cada página devuelva la misma forma.Datos
F
Fine-TuningEl fine-tuning es el proceso de seguir entrenando un modelo de lenguaje preentrenado con un conjunto de datos específico para especializar su comportamiento en una tarea o dominio concreto. Adapta los modelos de uso general a casos de uso específicos.IA / MCPFunction CallingEl function calling es la capacidad de los modelos de lenguaje de invocar funciones o API externas durante una conversación. El modelo decide cuándo llamar a una función, genera los argumentos apropiados y procesa los resultados devueltos.IA / MCP
G
Generación aumentada por recuperación (RAG)RAG es una arquitectura de IA que combina la recuperación de información con la generación de texto. Primero recupera documentos relevantes de fuentes externas y luego los usa como contexto para que el modelo de lenguaje genere respuestas precisas y fundamentadas.IA / MCPGobernanza de datosLa gobernanza de datos es el marco de políticas, procedimientos y estándares que garantiza que los datos se gestionen correctamente a lo largo de su ciclo de vida. Abarca la privacidad de los datos, el cumplimiento normativo, el control de acceso y los estándares de calidad.IndustriaGran modelo de lenguaje (LLM)Un gran modelo de lenguaje es una red neuronal entrenada con enormes cantidades de datos de texto que puede comprender y generar lenguaje humano. Los LLM impulsan asistentes de IA, generadores de código y agentes autónomos.IA / MCPGraphQLGraphQL es un lenguaje de consulta para API que permite a los clientes solicitar exactamente los datos que necesitan. A diferencia de REST, un único endpoint de GraphQL sirve todas las consultas, y el cliente especifica la forma de los datos.Datos
H
I
Ingeniería de promptsLa ingeniería de prompts es la práctica de diseñar y refinar las instrucciones que se dan a los modelos de lenguaje para lograr los resultados deseados. Implica elaborar prompts de sistema, ejemplos de pocos disparos y consultas estructuradas.IA / MCPInteligencia competitivaLa inteligencia competitiva es la recolección y el análisis sistemáticos de información sobre los competidores, las tendencias del mercado y la dinámica del sector. Sirve de base para las decisiones estratégicas sobre precios, posicionamiento y desarrollo de productos.Industria
J
JSONJSON (JavaScript Object Notation) es un formato ligero de intercambio de datos que es fácil de leer para los humanos y de analizar para las máquinas. Es el formato estándar para las respuestas de API y el intercambio de datos estructurados.DatosJSON-LDJSON-LD (JSON for Linking Data) es un método para codificar datos estructurados utilizando el formato JSON. Es el formato preferido para incrustar el marcado de schema.org en las páginas web con el fin de que los motores de búsqueda las comprendan.Datos
L
M
Marcado de SchemaEl marcado de schema es un vocabulario de etiquetas (de schema.org) que añades al HTML para mejorar cómo los motores de búsqueda leen y representan tu página. Define tipos como Product, Article, Organization y sus propiedades.DatosMarkdownMarkdown es un lenguaje de marcado ligero que utiliza una sintaxis de formato de texto plano. Se usa ampliamente para la documentación, la creación de contenido y como un formato intermedio limpio para el contenido web extraído.DatosMCP ClientUn MCP client es una aplicación o un modelo de IA que se conecta a los MCP servers para descubrir e invocar herramientas. Envía peticiones de llamada a herramientas y procesa las respuestas estructuradas que devuelve el servidor.IA / MCPMCP ServerUn MCP server es un servicio que expone herramientas y recursos a través del Model Context Protocol. Registra las funciones disponibles, gestiona las llamadas a herramientas entrantes de los clientes de IA y devuelve resultados estructurados.IA / MCPMigración de contenidoLa migración de contenido es el proceso de mover contenido de una plataforma o sistema a otro. Implica extraer el contenido de la fuente, transformarlo para que coincida con el formato de destino y cargarlo en el nuevo sistema.IndustriaModel Context Protocol (MCP)El Model Context Protocol es un estándar abierto que permite a los modelos de IA interactuar con herramientas y fuentes de datos externas a través de una interfaz unificada. Ofrece una forma estructurada para que los LLM llamen a funciones, accedan a API y recuperen información en tiempo real.IA / MCPMonitoreo de preciosEl monitoreo de precios es el seguimiento automatizado de los precios de productos y servicios en distintos sitios web a lo largo del tiempo. Permite a las empresas responder a los cambios de precios de la competencia, optimizar sus propios precios e identificar tendencias del mercado.Industria
N
P
PaginaciónLa paginación es la práctica de dividir el contenido en varias páginas. Manejar la paginación en el web scraping significa navegar automáticamente por todas las páginas para recopilar conjuntos de datos completos.Web ScrapingPipeline de datosUn pipeline de datos es una secuencia automatizada de pasos que recopila, procesa, transforma y entrega datos desde las fuentes hasta los destinos. Permite un flujo continuo de datos entre sistemas sin intervención manual.IndustriaPrecios basados en creditsLos precios basados en credits cobran a cada llamada a la API un número fijo de credits según el trabajo que realiza, y compras los credits mediante un plan o una recarga puntual.IndustriaProxy residencialUn proxy residencial enruta las peticiones a través de una dirección IP que un proveedor de internet asignó a una conexión doméstica, de modo que el tráfico parece el de un visitante normal y no el de un centro de datos.Web Scraping
R
Resolución de CAPTCHALa resolución de CAPTCHA se refiere a las técnicas automatizadas para superar los desafíos CAPTCHA que los sitios web utilizan para distinguir a los humanos de los bots. Esto incluye el reconocimiento de imágenes, la resolución basada en tokens y la emulación de huellas digitales del navegador.Web ScrapingREST APIUna REST API (Representational State Transfer) es una arquitectura de servicio web que utiliza métodos HTTP estándar para realizar operaciones sobre recursos. Es el estilo de API más habitual para los servicios web.DatosRobots.txtRobots.txt es un archivo de texto estándar que se coloca en la raíz de un sitio web y que indica a los web crawlers qué páginas tienen permitido o prohibido acceder. Forma parte del Protocolo de Exclusión de Robots.Web ScrapingRotación de proxiesLa rotación de proxies es la práctica de alternar entre varias direcciones IP de proxy al realizar peticiones web. Esto distribuye las peticiones entre distintas IP para evitar los límites de tasa y el bloqueo basado en IP.Web Scraping
S
Salida estructuradaLa salida estructurada se refiere a los datos devueltos en un formato predecible y legible por máquina como JSON, en lugar de texto libre. Permite un procesamiento posterior fiable por parte de los agentes de IA y los pipelines de datos.IA / MCPScraping geolocalizadoEl scraping geolocalizado recopila una página o un resultado de búsqueda tal como lo ven los visitantes de un país, una ciudad o un idioma concretos, ya que los precios, los resultados y el contenido varían según la ubicación.Web ScrapingScraping por lotesEl scraping por lotes obtiene una lista de URL conocidas en una sola petición en lugar de una llamada por página, lo que reduce los viajes de ida y vuelta y facilita la gestión de los trabajos de recolección grandes.DatosSelector CSSUn selector CSS es un patrón que se utiliza para seleccionar y apuntar a elementos HTML específicos de una página web. En el web scraping, los selectores identifican exactamente qué datos extraer de la estructura de una página.Web ScrapingServicio de scraping gestionadoUn servicio de scraping gestionado ejecuta por ti los navegadores, los reintentos y los analizadores, para que un equipo llame a una API en lugar de mantener su propia infraestructura de Playwright o Puppeteer.IndustriaSitemapUn sitemap es un archivo XML que enumera todas las URL de un sitio web, junto con metadatos como la fecha de última modificación y la prioridad. Ayuda a los motores de búsqueda y a los crawlers a descubrir e indexar todas las páginas de forma eficiente.Web Scraping
T
U
User AgentUn user agent es una cadena enviada en las cabeceras de las peticiones HTTP que identifica el software cliente que realiza la petición. Los sitios web la utilizan para detectar navegadores, bots y scrapers.Web ScrapingUso de herramientasEl uso de herramientas es la capacidad de los modelos de IA de interactuar con herramientas, API y servicios externos para realizar tareas que van más allá de la generación de texto. Amplía las capacidades del modelo para incluir la navegación web, la ejecución de código, la recuperación de datos y mucho más.IA / MCP
V
W
Web CrawlerUn web crawler es un programa que recorre la web de forma sistemática siguiendo los enlaces de una página a otra. Los crawlers descubren e indexan contenido a lo largo de sitios web o dominios completos.Web ScrapingWeb scraper sin códigoUn web scraper sin código te permite recopilar datos señalando y haciendo clic en una página o describiendo lo que quieres, mientras la herramienta escribe y ejecuta los pasos de extracción por ti.IndustriaWeb ScrapingEl web scraping es la extracción automatizada de datos de sitios web. Consiste en obtener páginas web de forma programática y analizar su contenido para recopilar información estructurada.Web ScrapingWebhookUn webhook es una devolución de llamada HTTP que entrega datos a una URL especificada cuando ocurre un evento. A diferencia del sondeo, los webhooks envían datos en tiempo real, lo que permite arquitecturas basadas en eventos.Datos